[论文解读] Sparse Approximate Multifrontal Factorization with Butterfly Compression for High Frequency Wave Equations

Yang Liu, Pieter Ghysels+2 more|arXiv (Cornell University)|Jun 30, 2020

Electromagnetic Scattering and Analysis参考文献 53被引用 18

一句话总结

本论文提出了一种新颖的稀疏近似多波前求解器，利用蝴蝶算法及其层级矩阵扩展形式HOD-BF，对高频波方程中的大型波前矩阵进行压缩与分解。通过采用基于图距离的条目评估和随机矩阵-向量乘法，该方法在三维Helmholtz和Maxwell问题中实现了O(N log²N)的计算复杂度和O(N)的内存复杂度——这是首次实现此类问题在三维中接近线性复杂度的多波前求解器。

ABSTRACT

We present a fast and approximate multifrontal solver for large-scale sparse linear systems arising from finite-difference, finite-volume or finite-element discretization of high-frequency wave equations. The proposed solver leverages the butterfly algorithm and its hierarchical matrix extension for compressing and factorizing large frontal matrices via graph-distance guided entry evaluation or randomized matrix-vector multiplication-based schemes. Complexity analysis and numerical experiments demonstrate $\mathcal{O}(N\log^2 N)$ computation and $\mathcal{O}(N)$ memory complexity when applied to an $N imes N$ sparse system arising from 3D high-frequency Helmholtz and Maxwell problems.

研究动机与目标

• 解决由高频波方程产生的大规模稀疏线性系统中直接求解器的高计算与内存开销问题。
• 克服基于低秩的求解器的局限性，后者因振荡格林函数中数值秩过高而无法实现复杂度降低。
• 开发一种快速、可扩展且内存高效的多波前求解器，适用于三维Helmholtz和Maxwell方程。
• 将基于蝴蝶的压缩（HOD-BF）集成到多波前方法中，以利用波前矩阵中的结构化低秩模式。
• 为三维高频问题实现准线性复杂度（O(N log²N)次浮点运算，O(N)内存），此前在标准直接求解器中无法实现。

提出的方法

• 使用HOD-BF（分层非对角线蝴蝶）格式对多波前分解中产生的波前矩阵进行压缩。
• 应用基于图距离的代理采样方法，选择矩阵条目以高效构建蝴蝶结构，避免显式形成波前矩阵。
• 采用随机矩阵-向量乘法计算蝴蝶表示，无需存储完整矩阵。
• 利用HOD-BF求逆算法对主对角块进行分解，每个大小为n×n的波前矩阵的复杂度为O(n³/² log n)。
• 通过随机蝴蝶构建算法计算舒尔补，以保持低复杂度。
• 通过分块2×2分块方式将该方法集成到多波前框架中，其中各块代表平面或交叉界面之间的格林函数相互作用。

实验结果

研究问题

• RQ1 蝴蝶算法与HOD-BF格式能否有效集成到多波前方法中，从而为高频波方程实现准线性复杂度？
• RQ2 基于图距离的条目采样是否能够在不显式形成矩阵的情况下，实现波前矩阵的高效且精确的蝴蝶压缩？
• RQ3 随机矩阵-向量乘法方案能否在保持数值精度的同时，维持波前矩阵分解的低复杂度？
• RQ4 与传统多波前求解器相比，所提求解器在三维Helmholtz和Maxwell方程中的渐近复杂度如何？
• RQ5 在实际三维波问题中，该方法能否在性能上显著优于精确求解器和基于低秩的求解器（如STRUMPACK、MUMPS）？

主要发现

• 所提出的HOD-BF多波前求解器在三维高频Helmholtz和Maxwell问题中实现了O(N log²N)的计算复杂度和O(N)的内存复杂度，这是首次为这些方程实现此类准线性复杂度的求解器。
• 对于三维Poisson方程，与精确多波前求解器相比，该求解器将分解时间减少了最多44.6%，内存使用减少了最多40.7%，且在根波前处实现了0.38%的存储压缩率。
• 在Ω=32的三维Maxwell问题中，HOD-BF求解器将分解时间从301.34秒减少至379.50秒（浮点运算压缩60.1%），内存从541 GB降至426 GB（压缩78.8%），同时GMRES迭代次数从1次增加至21次。
• 在Marmousi2速度模型中，HOD-BF求解器在N=9.1×10⁷的规模下实现了25.3%的浮点运算压缩和44.6%的内存压缩，其可扩展性优于HSS和精确求解器。
• HOD-BF表示中最大秩在根波前处的增长速度为O(n¹/⁴)，远低于HSS的O(n¹/²)，验证了理论预测，并实现了更优的压缩性能。
• 在三维Poisson问题中，当k>200时，该求解器在分解时间上优于HSS和精确求解器；当k>300时，在求解时间上也表现更优，表明其具备实际的准线性缩放特性。